Hvordan modelleres bedre anbefalinger i Covid-tid?

( Valentina Djordjevic) (10. nov 2020)

Behov for it-sektoren ændrer sig konstant. Efter at Coronavirus ramte os uventet, er dette sandt mere end nogensinde. For at holde afstand fra hinanden blev vi tvunget til at begrænse alle vores aktiviteter, der ikke kan udføres online. Først var dette chokerende, og vi var ikke forberedt på en sådan ændring. Men da vi blev vant til det, har vi indset, at online-forretning ikke er fremtiden, det er NU.

Brugere forventer nu pålidelige e-handelsplatforme med tilfredsstillende brugeroplevelse. Når man tænker på et stort antal brugere, produkter og konkurrence, er det klart, at det er virkelig svært at opnå. Så under karantæne forsøgte vi at få mest muligt ud af det og komme på noget, der kan være værdifuldt for vores kunder, og som vil forbedre både eBusiness og kerneforretningen. Vi besluttede at fokusere på at oprette næste generations anbefalingssystemer.

I vores andre blogindlæg kan du finde en detaljeret forklaring på anbefalingssystemer. Kort fortalt foreslår anbefalingssystemer på e-handelswebsteder nye varer til kunderne ved at indsamle folks præferencer baseret på analysen af ​​folks adfærd. Anbefalingssystemer kan medføre mange fordele for virksomheder, der bruger dem:

  1. brugere kan finde ønskelige produkter meget hurtigere
  2. brugere kan få matchende produkter under indkøbskurvsproces
  3. forhindrer brugere i at opgive indkøbsvogne
  4. udløser e-mails baseret på online interaktioner
  5. meget bedre brugeroplevelse , især med personaliserede anbefalinger eller endda hele sider

Den næste generation af anbefalingssystemer

E-handelsbranchen vil udvide sig i større skala, og det er også anbefalingsmotorer. Den næste generation af anbefalingssystemer forventes at omfatte følgende funktioner:

  • flere personaliserede anbefalinger – anbefalsystemer bliver mere i stand til at grave dybt ned i kundernes dataindsigt, som vil hjælpe dem med at præsentere dem for mere relevante, kundecentrerede anbefalinger.
  • nå ud til kunder gennem flere kanaler – de anbefalende systemer i fremtiden ville være mere i stand til at nå ud til brugerne på tværs af forskellige medier som e-mails, sociale mediekanaler på en off-site shopping-widgets, mobilapps osv.
  • realtidsanbefalinger – anbefalsystemer baseret på dyb læring kan give modellen adfærd i realtid. De sigter mod at præsentere de rigtige ting for en bruger, på det tidspunkt, hvor det er mest nyttigt for hende.

Når vi kender alt dette, forsøgte vi at finde arkitektur til en ny anbefalingsmotor, der kan arbejde med online data i realtid, og det kan få indsigt i brugerne til bedre og mere personaliserede anbefalinger. Denne “enhjørning” er HRNN-model .

Sessionsbaseret anbefaling med HRNN (Hierarkisk tilbagevendende neurale Netværk)

Hvorfor sessionsbaseret anbefaling? I mange online-systemer, hvor anbefalinger anvendes, er interaktioner mellem en bruger og systemet organiseret i sessioner, og disse sessioner har et mål – at finde et produkt eller en tjeneste. Hvis modellen er opmærksom på, hvad brugeren har til hensigt i en given session, kan udførelsen af ​​anbefalinger forbedres med den information, og de vil være mere relevante. Men brugerhistorik er også vigtig – hvis to brugere i tidligere sessioner har forskellige interesser, skal de få forskellige anbefalinger i aktuelle sessioner, selvom de nuværende sessioner er de samme. For at opnå dette bruger vi HRNN-model .

Kilde: https://assets.amazon.science/96/71/d1f25754497681133c7aa2b7eb05/temporal-contextual-recommendation-in-real-time.pdf

I en af vores næste blogindlæg vil vi skrive om HRNN i detaljer, men generelt er ideen, at vi anvender denne algoritme, når brugeridentifikatorer er til stede og udbreder information fra den forrige brugersession til den næste, hvilket forbedrer anbefalingens nøjagtighed.

Kilde: https://arxiv.org/pdf/1706.04148.pdf

På billedet viser vi kan se to lag af neurale netværk. Den øverste er repræsentation på sessionsniveau, og i dens hukommelsesceller opbevarer den kun information om en session. Disse informationer (output) er input i det lavere netværk, som er repræsentationen på brugerniveau. Hukommelsesceller fra lavere netværk holder information om alle sessioner for en bruger og formidler disse informationer til hver næste session. Med denne arkitektur har vi dækket tilfælde, hvor vi har en bruger-id, men hvis vi ikke gør det, kommer denne arkitektur ned til bare session-baseret anbefaling og tager kun hensyn til aktuelle sessionsdata. Som et resultat får vi top N-anbefalinger til hver brugersession, og det er præcis det, vi i første omgang ønskede.

Hvis du er interesseret i, hvordan dette blev implementeret i den virkelige brugssag, og hvad var det resultater, følg vores blog, vi deler med glæde vores erfaringer med dette i vores fremtidige blogindlæg. Du kan kontakte os for at få nogle dybere forklaringer, eller hvis du har et indtryk at dele om forbedring og udvikling af anbefalermotorer fra den næste generation – vi ville være mere end glade for at høre det. 🙂

Flere kilder:

https://arxiv.org/pdf/1706.04148.pdf

https://assets.amazon.science/96/71/d1f25754497681133c7aa2b7eb05/temporal-contextual-recommendation-in-real-time .pdf

http://blog.analyticspath.com/artificial-intelligence/the-next-generation-recommender-systems/

https://www.xenonstack.com/blog/recommender-systems/

https://emerj.com/ai-sector-overviews/use-cases-recommendation-systems/

Oprindeligt udgivet på https://thingsolver.com den 26. oktober 2020.